一、前述
Spark中控制算子也是懶執行的，需要Action算子觸發才能執行，主要是為了對數據進行緩存。
控制算子有三種，cache,persist,checkpoint，以上算子都可以將RDD持久化，持久化的單位是partition。cache和persist都是懶執行的。必須有一個action類算子觸發執行。checkpoint算子不僅能將RDD持久化到磁盤，還能切斷RDD之間的依賴關系。
二、具體算子
1、 cache
默認將RDD的數據持久化到內存中。cache是懶執行。
chche () = persist()=persist(StorageLevel.Memory_Only)
2、persist（可以指定持久化的級別）
解釋：
1、MEMORY_AND_DISK 意思是先往內存中放數據，內存不夠再放磁盤
2、最常用的是MEMORY_ONLY和MEMORY_AND_DISK。”_2”表示有副本數。
3、選擇的原則是：首先考慮內存，然后考慮序列化之后再放入內存，最后考慮內存加磁盤。
4、盡量避免使用“_2”和DISK_ONLY級別。
5、deserialized是不序列化的意思。
注意事項：
1、cache和persist都是懶執行，必須有一個action類算子觸發執行。
2、cache和persist算子的返回值可以賦值給一個變量，在其他job中直接使用這個變量就是使用持久化的數據了。持久化的單位是partition。
3、cache和persist算子后不能立即緊跟action算子。
錯誤：
rdd.cache().count() 返回的不是持久化的RDD，而是一個數值了
3、 Checkpoint（對Lineage非常長時使用）
1、概念和特征：
不僅可以將數據持久化到磁盤，還可以切斷RDD之間的依賴關系，checkpoint也是懶執行。
Checkpoin不僅存儲結果，還會存儲邏輯，還可以存儲元數據。
Persisit切斷不了RDD的依賴關系。
2、checkpoint 的執行原理：
（1）.Spark job執行完之后，spark會從finalRDD從后往前回溯。
（2）當回溯到對某個RDD進行了checkpoint，會對這個RDD標記。
（3）回溯完成之后，Spark會重新計算標記RDD的結果，然后將結果保存到Checkpint目錄中。
3、優化checekpoint
- 因為最后是要觸發當前application的action算子，所以在觸發之前加一層cache操作，一樣會往前執行cache操作，實現對數據的cache ,所以考慮將cache優化到checkpoin的優化流程里。
- 對RDD執行checkpoint之前，最好對這個RDD先執行cache，這樣新啟動的job（回溯完成之后重新開的job）只需要將內存中的數據（cache緩存好的checkpoint那個點的數據）拷貝到HDFS上就可以。
- 省去了重新計算這一步，不需要重頭開始來走到checkpoint這個點了。
總結：
持久化的最小單位是partition！！！
